下载文档原格式
图片简介:本技术介绍了一种产品表面缺陷检测方法及系统及装置及介质，包括：构建图片重构网络；采集无缺陷图片方法训练图片；利用训练图片训练图片重构网络，得到训练后的图片重构网络；采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果；本技术仅使用良品图片进行表面缺陷检测，本技术基于全卷积神经网络，通过重构良品图片学习到对表面缺陷的修复能力，从而实现对于各种表面缺陷的像素级识别能力。
技术要求1.一种产品表面缺陷检测方法，其特征在于，所述方法包括：构建图片重构网络，图片重构网络对图片的处理过程包括：下采样过程、上采样过程和跨层链接过程；下采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；上采样过程包括：图片经过卷积层处理，然后进行批归一化处理，然后利用激活函数进行激活；跨层链接过程包括：将下采样过程中的若干特征图添加到上采样过程中对应尺度的特征图上；采集无缺陷图片得到训练图片；利用训练图片训练图片重构网络，得到训练后的图片重构网络；采集待处理产品表面缺陷图片，将待处理产品表面缺陷图片输入训练后的图片重构网络，计算待处理产品表面缺陷图片与重构后的图片的特征值，并计算待处理产品表面缺陷图片与重构后的图片的特征值差值，基于特征值差值得到产品表面缺陷检测结果。
2.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，图片重构网络使用3*3的卷积层输出与输入图片通道数相同的重构图片，并使用激活函数将图片重构网络输出限制在-1到1范围内。
3.根据权利要求1所述的产品表面缺陷检测方法，其特征在于，利用训练图片训练图片重构网络，得到训练后的图片重构网络，具体包括：从训练图片集中提取若干原始图片，在提取的原始图片中添加随机缺陷或噪声，得到不良图片；将不良图片输入图片重构网络进行计算，输出重构后的图片；计算重构后的图片与对应原始图片之间的L1 loss与多尺度SSIM loss，并使用随机梯度下降法更新图片重构网络参数，训练至loss收敛时停止训练，得到训练后的图片重构网络。
中国矿业大学科研创新论文玻璃缺陷在线检测系统设计姓名：连清学号：03101257专业：测控技术与仪器导师：刘万里摘要传统的玻璃质量检测主要采用人工检测的方法。
人工检测不仅工作量大，而且易受检测人员主观因素的影响，容易对玻璃表面缺陷造成漏检，尤其是变形较小、畸变不大的夹杂缺陷漏检，极大降低了玻璃的表面质量，从而不能够保证检测的效率与精度u。
目前，玻璃缺陷检测系统主要是利用激光检测和摩尔干涉原理的方法。
激光检测易受到外界干扰，影响检测精度。
摩尔干涉原理由于光栅内的莫尔条纹比较细，为保证莫尔条纹有很强的对比度便于计算机进行分析处理，就必须要求光栅有很高的明暗对比度，通过复杂计算机图形处理技术对干涉图形进行处理，占用大量的检测时间，检测周期非常缓慢而在实际检验中并无实用效果。
近年来，迅速发展的以图像处理技术为基础的机器视觉技术恰恰可以解决这一问题。
机器视觉主要是采用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。
本文介绍的玻璃表面缺陷检测系统采用机器视觉技术，完成对玻璃缺陷的提取、识别，为玻璃分级打标提供信息，满足玻璃表面缺陷检测的要求。
关键字：玻璃表面检测；图像处理；系统设计目录1、玻璃缺陷在线检测系统设计课题的提出 (4)1.1课题研究的背景 (4)1.2课题研究的意义及目的 (5)2、国内外玻璃缺陷在线检测系统的研究现状 (5)3、测量系统的简要介绍 (7)3.1检测系统的基本结构 (7)3.2检测系统原理 (8)3.3玻璃表面缺陷图像的处理（简介） (9)4、系统设计中重要的检测参数和部分要求 (9)5、课题研究的步骤及各阶段完成目标 (10)相关文献 (11)1、玻璃缺陷在线检测系统设计课题的提出1.1课题研究的背景玻璃在生产过程中，会产生各种各样的缺陷，比如:气泡、条纹和结石。
这些缺陷都会影响玻璃的外观质量，降低玻璃的透光性、机械强度和热稳定性，造成大量的废品和次品。
摘要：当前薄膜晶体管液晶显示器(TFT—LCD)应用范围较广，但其面板缺陷问题对于整体显示质量影响较为突出，甚至对于面板生产效率产生负面影响，因此面板缺陷检测已成为当前TFT—LCD生产重要检测指标之一。
本文首先阐述TFT—LCD结构及表面缺陷，然后解析TFT—LCD表面缺陷检测方法，以期为减少TFT—LCD表面缺陷提供一定参考。
关键词：TFT—LCD；面板结构；表面缺陷；基板一、TFT—LCD结构及表面缺陷1.1TFT—LCD结构通常TFT—LCD面板结构具体包括上下两个基板，其中上基板主要安装彩色滤光片，这样会形成一定颜色，而下基板具体设有薄膜电晶体矩阵，其能够有效控制像素矩阵的灰阶显示，这两个基板之间具体是液晶层。
TFT—LCD面板具体显示区域具体包括大量独立性TFT元件控制的像素矩阵，而单一像素矩阵由水平栅极线以及垂直信号线构成，其内部区域包括薄膜晶体管、连接栅极线以及信号线。
根据CCD获取的低分辨率TFT—LCD面板表面图像可知，低分辨率面板图像表面存在栅极线及数据线，而高分辨率面板图像不仅具有栅极线、数据线，并有公共线，这样会大幅度增加高分辨率面板表面图像结构复杂程度[1]。
1.2TFT—LCD表面缺陷基于TFT—LCD生产工艺复杂程度，工艺环节多达300个，各个环节都极有可能出现缺陷，这些缺陷种类不同，这样致使面板生产效率遭受严重负面影响。
同时TFT—LCD表面缺陷大体包括宏观缺陷以及微观缺陷，其中宏观缺陷能够利用肉眼观察到，而微观缺陷要求采用电化学方法检测获得。
根据聚集状态不同，TFT—LCD面板缺陷具体细分为点缺陷、线缺陷以及Mura缺陷[2]。
二、TFT—LCD表面缺陷检测方法2.1图像识别法这种方法能够确认TFT—LCD面板存在缺陷，也可区分缺陷类别或缺陷等级，其面板图像数据主要利用降维方法或面板缺陷特征提取，控制整体缺陷识别速度及精确度，要求采用适当分类器，这样能够提升缺陷分类精度和速度[3]。
基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展，产品质量与生产效率日益成为企业竞争力的核心要素。
表面缺陷检测作为产品质量控制的重要环节，其准确性和效率直接影响到产品的整体质量和企业的生产效益。
传统的表面缺陷检测方法往往依赖于人工目视检测，这种方法不仅效率低下，而且容易受到人为因素的影响，导致漏检和误检的情况时有发生。
因此，开发一种基于机器视觉的表面缺陷检测系统，实现对产品表面缺陷的快速、准确检测，已成为当前研究的热点和难点。
本文旨在研究基于机器视觉的表面缺陷检测系统的算法，并设计相应的软件系统。
通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究，构建一套高效、稳定的表面缺陷检测系统。
本文还将探讨如何结合机器学习、深度学习等先进算法，提高系统的自适应能力和检测精度。
本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容，确保系统的易用性和可维护性。
通过本文的研究，旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导，推动机器视觉技术在工业制造领域的广泛应用，为企业提高产品质量和生产效率提供有力保障。
二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。
它利用计算机和相关设备模拟人类的视觉功能，实现对目标对象的识别、跟踪和测量，进而完成相应的自动化处理任务。
在表面缺陷检测领域，机器视觉技术发挥着至关重要的作用。
机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。
图像采集模块负责获取待检测物体表面的图像信息，其性能直接影响到后续处理的准确性和效率。
图像处理模块则是对采集到的图像进行预处理，如去噪、增强、滤波等操作，以提高图像质量，为后续的特征提取和缺陷识别提供有利条件。
特征提取是机器视觉系统中的关键环节，它通过对处理后的图像进行特征分析和提取，将关键信息从海量数据中筛选出来。
在表面缺陷检测中，特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征，为后续的缺陷识别提供有效依据。
系统设计说明书
按以下模板编制
1、概述
（简要说明本项目主要技术线路）
1.1颜色识别的技术线路
1.2表面缺陷识别的技术线路
1.3栅线几何属性检测的技术线路
2、颜色识别
2.1 功能描述
识别颜色的种类，识别性能指标。
2.2 输入输出
此功能需输入什么样的信息，输出什么样的结果
2.3 逻辑流程描述
绘制系统处理流程图，包括所调用的函数的名称和功用。
2.4 主要函数说明
描述函数的种类（标准包函数、自定义函数）、输入参数、输出参数。
2.5 数据对象
描述存储输入、输出数据的表结构。
3、表面缺陷识别
（对每一种缺陷单独描述以下内容）
3.1功能描述
所识别的缺陷名称，缺陷的特征描述。
3.2输入输出
此功能需输入什么样的信息，输出什么样的结果
3.3逻辑流程描述
绘制系统处理流程图，包括所调用的函数的名称和功用。
3.4 主要函数说明
描述函数的种类（标准包函数、自定义函数）、输入参数、输出参数。
3.5 数据对象
描述存储输入、输出数据的表结构。
工业产品表面缺陷自动检测系统技术要求标准工业产品表面缺陷自动检测系统技术要求标准序号一：引言在现代工业生产中，工业产品表面质量是一个非常重要的指标。
而表面缺陷是影响产品质量的主要因素之一。
为了提高产品质量，减少不合格品率，保证产品的可靠性和竞争力，工业产品表面缺陷自动检测系统技术应运而生。
本文将探讨这一技术的要求标准。
序号二：工业产品表面缺陷自动检测系统的重要性工业产品表面质量的好坏直接关系到产品的市场竞争力和企业的声誉。
表面缺陷包括漆膜的气泡、瑕疵、颜色不均匀、划痕等。
传统的人工检测往往存在主观性和盲点，效率低下且易出现漏检和误判的情况。
而自动检测系统可以快速高效地对产品进行检测，大大提高了检测的准确性和效率。
序号三：工业产品表面缺陷自动检测系统的主要技术要求1. 高分辨率成像技术：自动检测系统需要具备高分辨率的成像能力，以便能够准确地捕捉和识别微小的表面缺陷，如细小的划痕或气泡。
2. 图像处理和分析算法：自动检测系统应具备先进的图像处理和分析算法，能够对获取的图像进行精确的分析和判定。
如采用机器学习技术，可以通过训练模型来识别并分类不同类型的缺陷。
3. 实时性和高效性：自动检测系统需要实时地对产品进行检测，并能够快速反馈结果。
这样可以在生产过程中及时发现缺陷并进行调整，避免不合格品的产生。
4. 稳定性和可靠性：自动检测系统需要具备良好的稳定性和可靠性，可以长时间稳定运行，并保持较低的误判率和漏检率。
5. 灵活性和通用性：自动检测系统应具备一定的灵活性和通用性，能够适应不同种类和形状的产品，并且方便进行调整和升级。
序号四：个人观点和理解工业产品表面缺陷自动检测系统技术的提出和应用，大大提高了工业产品的质量和生产效率。
在我看来，这一技术的要求标准应该包括高分辨率成像、图像处理和分析算法的先进性、实时性和高效性、稳定性和可靠性以及灵活性和通用性。
只有满足这些要求，才能确保自动检测系统能够准确地识别和判定表面缺陷，为工业生产提供可靠的保障。
玻璃表面缺陷检测系统原理玻璃是一种常见的建筑材料，广泛应用于建筑、汽车、家电等领域。
然而，由于制造过程中的各种原因，玻璃表面可能会出现各种缺陷，如划痕、气泡、脱附等。
这些缺陷不仅影响玻璃的美观度，还可能降低其强度和耐久性。
因此，开发一种高效、准确的玻璃表面缺陷检测系统对于保证产品质量和提高生产效率至关重要。
玻璃表面缺陷检测系统的原理是基于图像处理和机器视觉技术。
首先，将待检测的玻璃放置在特定的检测平台上，并通过传感器获取玻璃表面的图像。
然后，利用图像处理算法对图像进行预处理，去除噪声和背景干扰，增强图像的对比度和清晰度，以便更好地识别缺陷。
在预处理完成后，接下来是缺陷的检测和分类。
通常，玻璃表面的缺陷可以分为几个主要类别，如划痕、气泡、脱附等。
针对不同的缺陷类型，需要设计相应的检测算法和模型。
例如，对于划痕缺陷，可以利用边缘检测算法和形态学处理方法来提取划痕的轮廓和边界信息；对于气泡缺陷，可以利用图像分割算法和形状特征提取方法来检测和定位气泡的位置和大小。
在检测和分类完成后，系统还需要进行缺陷的评估和判定。
这一步骤通常涉及到特征提取和模式识别技术。
通过提取缺陷区域的纹理、颜色、形状等特征，并利用机器学习算法训练分类模型，可以对缺陷进行定量评估和判定。
例如，可以利用支持向量机（SVM）算法对不同类型的缺陷进行分类，并给出缺陷的严重程度和优先级。
玻璃表面缺陷检测系统还需要提供可视化的结果和报告。
通过将检测结果以图像、表格或报告的形式呈现给操作人员，可以帮助他们直观地了解玻璃表面的缺陷情况，并及时采取相应的措施进行修复或处理。
此外，系统还可以将检测结果保存和记录，用于质量追溯和生产过程的改进。
玻璃表面缺陷检测系统是基于图像处理和机器视觉技术的一种高效、准确的自动检测方法。
通过对玻璃表面图像的处理、缺陷的检测和分类、缺陷的评估和判定，以及结果的可视化呈现，可以实现对玻璃表面缺陷的快速、准确的检测和分析，提高产品质量和生产效率，为各行业的玻璃应用提供可靠的质量保证。
本技术涉及一种微细孔内壁缺陷自动检测方法，所采用的检测装置分为两个部分，固定部分和旋转部分，固定部分包括相机和镜头、环形光源、连接件、遮光筒和转台固定部分；旋转部分包括光信息传输部件、夹持件、托板和转台旋转部分，包括下列步骤：所采用的检测装置被固定于升降台上，打开环形光源，控制光信息传输部件进入被测孔，采集一张内壁图像标定初始方向，作为统一所采集图像的方向的基准，方便后期判断缺陷位置；利用升降台和检测装置的转台完成孔内全景图像的采集；利用数字图像处理的技术实现有效区域提取，缺陷大小和位置检测。
技术要求1.一种微细孔内壁缺陷自动检测方法，所采用的检测装置分为两个部分，固定部分和旋转部分，固定部分包括相机和镜头、环形光源、连接件、遮光筒和转台固定部分；旋转部分包括光信息传输部件、夹持件、托板和转台旋转部分，其中，相机和镜头以及环形光源通过连接件与转台固定部分固定连接；遮光筒固定在镜头的外周，且遮光筒不与光信息传输部件接触，用以防止杂散光进入镜头；光信息传输部件包括遮光罩、磨砂面、锥形进光面5、导光柱、平面透镜、底端45°反射镜，其中，遮光罩位于上端，其中间开设有透光孔，磨砂面为倒锥形，设置在遮光罩的下部，遮光罩和磨砂面共同防止环境光从上端进入光信息传输部件；在磨砂面的下部设置有锥形进光面，环形光源产生的光经过锥形进光面，沿导光柱照亮被测孔内壁，被测孔内壁局部图像经过平面透镜和底端45°反射镜被反射至上端，经过透光孔，进入镜头，在相机成像；托板和夹持件与转台旋转部分固定连接，光信息传输部件被夹持件和托板紧固在转台旋转上，在托板上开设有允许导光柱穿过的孔洞。
检测方法包括下列步骤：(1)所采用的检测装置被固定于升降台上，打开环形光源，控制光信息传输部件进入被测孔，采集一张内壁图像标定初始方向，作为统一所采集图像的方向的基准，方便后期判断缺陷位置；(2)利用升降台和检测装置的转台完成孔内全景图像的采集；(3)利用数字图像处理的技术实现有效区域提取，缺陷大小和位置检测。
玻璃表面缺陷自动检测系统设计方案版本号：V1.0目录一、背景及意义 (1)二、玻璃表面缺陷自动检测系统分析 (3)2.1 非功能性需求 (3)2.2 功能性需求 (3)2.3 开发环境 (3)三、玻璃表面缺陷自动检测系统介绍 (4)3.1玻璃表面缺陷检测原理 (4)3.2玻璃缺陷视觉检测系统构成 (5)3.3玻璃表面缺陷自动检测系统检测过程 (6)四、玻璃表面缺陷自动检测系统实现 (10)4.1 系统框架图 (10)4.2 系统主界面图 (13)4.3 检测模块界面图 (14)五、主要功能模块测试 (14)5.1.软件测试概述 (14)5.2.软件测试的目标 (15)5.3.软件测试的方法 (15)5.3.1.静态测试 (15)5.3.2.动态测试 (16)5.3.3.黑盒测试与白盒测试 (16)‘一、背景及意义玻璃在生产过程中，会产生各种各样的缺陷，比如:气泡、条纹和结石。
这些缺陷都会影响玻璃的外观质量，降低玻璃的透光性、机械强度和热稳定性，造成大量的废品和次品。
为提高玻璃的质量和玻璃质量等级划分，必需对玻璃带进行缺陷自动检测或者人工检测。
在玻璃实际生产过程中，常见的玻璃缺陷主要有：气泡、粘锡、结石、夹杂物等缺陷，各类缺陷的主要特点分：1）气泡，该类缺陷主要是由于玻璃生产材料含有气体、外界环境气泡、金属铁丝等引起，其主要特点为整体轮廓近似于圆形、线形、中空、具有光透射性等。
2）结石，由于其热胀系数和外界环境热胀系数的差异，该类缺陷严重影响玻璃质量。
主要分为：原材料结石、耐火材料结石以及玻璃析晶结石等。
3）夹锡，夹锡主要分为粘锡和锡结石，其特点是呈暗黑色、具有光吸收性。
4）划伤，该缺陷主要是玻璃原板与硬质介质间的相互摩擦产生，外表呈线性。
5）表面裂纹及线道，其特点表面呈线性。
具体的缺陷图如图1-1所示：（a）无缺陷玻璃图像（b）含气泡玻璃图像（c）含结石玻璃图像（d）含裂纹玻璃图像（e）含夹杂物的玻璃图像图 1-1 玻璃典型缺陷图像传统的依靠工人通过眼睛来识别玻璃中的缺陷，除了其速度慢，需要占用大量的资源外，更有下列几个致命的缺陷:1)容易出现漏检的情况。
2)无法保证统一的质量标准，人工检查时，对于很小缺陷的情况，合格与否是检查者根据感觉主观判断的，不同的人甚至同一人在不同的状态下的判断标准很难做到统一。
因此玻璃表面缺陷自动检测对减少人为误差、提高企业的经济效益、降低玻璃生产成本以及节约能源等具有极其长远的意义。
本文主要阐述基于机器视觉的玻璃表面自动检测系统的设计实现。
2.1 非功能性需求玻璃表面缺陷自动检测系统需要满足的非功能性要求有：（1）数据处理的准确性和及时性。
（2）易于维护与扩展（3）可靠性、兼容性2.2 功能性需求玻璃表面缺陷自动检测系统需要实现以下功能：（1）玻璃图像的自动采集。
（2）玻璃图像的自动处理。
（3）系统的智能控制（4）缺陷玻璃的自动剔除2.3 开发环境计算机操作系统：Windows XP开发工具：Microsoft Visual Studio 2005开发语言：C/C++语言3.1玻璃表面缺陷检测原理玻璃生产过程大体可分为：原料加工、备制配合料、熔化和澄清、冷却和成型及切裁等。
在各生产过程中，由于制造工艺、人为等因素，在玻璃原板的生产任一过程中都有可能产生缺陷，根据玻璃现行标准中的规定，玻璃常见的缺陷主要包括：气泡、粘锡、划伤、夹杂等。
无缺陷的玻璃其特点是质地均匀、表面光洁且透明。
玻璃质量缺陷检测是采用先进的CCD 成像技术和智能光源。
系统照明采用背光式照明，其原理如图2-1所示，即在玻璃的背面放置光源,光线经待检玻璃，透射进入摄像头。
图 2-1 检测原理图示意图光线垂直入射玻璃后，当玻璃中没有杂质时如图2-2(a)所示，出射的方向不会发生改变，CCD 摄像机的靶面探测到的光也是均匀的；当玻璃中含有杂质时，出射的光线会发生变化，CCD 摄像机的靶面探测到的光也要随之改变。
玻璃中含有的缺陷主要分为两种：一是光吸视觉系统收型（如沙粒，夹锡等夹杂物）如图2-2(b)所示，光透射玻璃时，该缺陷位置的光会变弱，CCD 摄像机的靶面上探测到的光比周围的光要弱;二是光透射型（如裂纹，气泡等）如图2-2(c)所示，光线在该缺陷位置发生了折射，光的强度比周围的要大，因而CCD 摄像机的靶面上探测到的光也相应增强。
因此，本文研究的基于机器视觉技术的玻璃缺陷检测系统是可行的。
图 2-2 玻璃缺陷光学检测原理在检测中，主要涉及的是被检玻璃表面存在的缺陷，需要检测的部分缺陷内容： 3.2玻璃缺陷视觉检测系统构成整个机器视觉检测系统包含图像采集、图像处理、智能控制、机械执行等部分，其结构如图 2-3 所示。
其中光源及被测玻璃固定，光源位于玻璃底部，通过透射进入摄像头。
摄像头以 X－Y 方式匀速扫描整块玻璃。
图像采集卡接收摄像头信号，滤波后经模数转换变成24 位的数字信号，再由计算机对其加以分析。
如发现缺陷，则进行分类和统计，报告缺陷类型、尺寸、位置等，为玻璃分级打标提供信息。
图 2-3玻璃表面缺陷自动检测系统结构示意图3.3玻璃表面缺陷自动检测系统检测过程玻璃表面缺陷自动检测系统检测过程如图2-4：图 2-4 检测过程原理图（1）图像获取：一般采用高速线阵CCD摄像机实时采集生产线上的玻璃图像,所获取的图像模拟信号通过图像采集卡的数字化处理,再传送到计算机中进行图像预处理。
（2）图像预处理：图像预处理是图像分析的一个重要环节，对图像进行适当的预处理，可以使得图像更加便于分割和识别，主要包括图像滤波处理(均值滤波、中值滤波、高斯滤波)和图像增强处理(图像的灰度变换、直方图均衡化、图像尖锐化处理)。
为了消除图像中的各种噪声，必须用到滤波器。
图像增强是图像预处理的基本内容之一，图像增强是指按照特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。
其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更适用，比如，突出边缘信息，改善对比度，增强图像的轮廓特征，以保证检测的准确性，使处理的结果使图像更适合于人的视觉特性或机器的识别系统。
因此，这类处理是为了某种应用而去改善图像质量的。
玻璃缺陷检测系统实施例图像增强技术基本上可分成两大类：一类是频域处理法，一类是空域处理法,以粘锡玻璃缺陷为例如图2-5。
（a）粘锡玻璃缺陷原图 (b)灰度处理图 (c)对应直方图图 2-5 处理直方图图像经线性变换、去噪等预处理，如图2-6。
图 2-6 变换后的图像及对应的灰度直方图（3）图像分割：为了进一步对目标图像进行分析、理解和识别，必须把目标从背景中分割出来。
图像分割是依据图像的灰度、颜色或几何性质将其中具有特殊含义的不同区域区分开，这些被分开区域是互不相交的，且都满足特定区域的一致性，比如对同一目标的图像，一般需要将图像中属于该物体的像素或物体特征像素点从背景中分割出来，即将属于不同物体的像素点分离开。
在玻璃缺陷图像处理过程中，缺陷的灰度值与背景灰度值相比有较大变化，并且灰度图像中缺陷边缘灰度值同周围背景相比，也存在很大的差异，所以采用基于灰度直方图的阈值分割算法和边缘检测算法相结合，就可以将缺陷从玻璃背景图像中分割出来，形成完整的缺陷目标，为缺陷目标的特征参数的提取和缺陷判断识别提供了良好基础。
阈值化分割算法的原理，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个像素的灰度值都与这个阈值相比较,并根据比较结果将对应的像素(分割)划分为两类：像素的灰度值大于阈值；像素的灰度值小于阈值，确定阈值是分割的关键，如果能确定一个合适的阈值就可方便地将图像分割开来，阈值分割法的结果很大程度上依赖于对阈值的选择，因此该方法的关键是如何选择合适的阈值，合理的阀值应取在边界灰度变化比较大比较明显的地方。
因此，可以把某个阈值所产生的边界两边灰度对比度的大小作为衡量的标准，找出能够检出最大平均边界对比度的阈值。
（a）自适应阈值分割法灰度直（b）自适应分割法阈值图像图 2-7 自适应分割法夹锡阈值分割图像（4）特征提取：特征提取是模式识别中的一个关键问题。
对于玻璃缺陷的特征提取，特征参数的确定至关重要。
所以在选取玻璃缺陷的特征参数时，要尽量反映缺陷本原的特征，尽量选取缺陷之间最能区别于其它缺陷的特征，特征参数还要尽量选得精，选得少,以能把缺陷识别出来即可。
计算机在识别时,不仅要考虑缺陷的几何形状，还需考虑缺陷灰度差等缺陷的光学参数，比如缺陷的灰度，对光的反射、折射和衍射的情况等。
不同缺陷的光学性能不同，比如气泡的透光性就比结石的透光性好,在图像上的显示相对来说就稍微亮一些，并且气泡还可能会出现小孔衍射的现象。
物理参数也是必不可少的参数，物理参数即缺陷的物理性能参数，缺陷的机械性能、导电性能、传热和隔音性能等都属于缺陷的物理性能。
每种缺陷有其特定的物理性能。
物理性能的测定需要借助于一定的仪器分析装置。
（5）判断决策：也就是对玻璃缺陷的分类。
基于图像识别的分类器设计有很多,主要包括传统的经典模式识别方法，以及近年来新发展起来的识别方法和识别分类理论，主要包括模糊模式识别，人工神经网络以及支持向量机等。
四、玻璃表面缺陷自动检测系统实现4.1 系统框架图玻璃表面缺陷自动检测系统框架图如下：图4-1 玻璃表面缺陷自动检测系统框架图根据玻璃表面缺陷自动检测系统的功能对功能实现进行模块划分，可分为图像获取模块、图像处理模块、图像分割模块、特征提取模块、结果输出模块和界面控制模块，如图4-2：图4-2 玻璃表面缺陷自动检测系统框架图(1)图像获取模块它相当于对被研究对象的调查和了解,从中得到所要处理的数据和材料。
将齿轮轮廓的阴影经透镜系统聚焦后成像于CCD面阵上。
CCD 将图像信号变为电荷信号，通过图像采集卡存入计算机内存，然后由软件对所采集到的图像进行处理、存储，并计算出齿轮的相关尺寸，最后输出到显示器上，给出相应的结果。
(2)图像处理模块图像预处理是将原始图像转换为计算机方便处理的形式，使计算机能够进行后续的操作，主要包括图像去噪、图像变换、图像增强等。
在采集的齿轮图像基础上提取齿轮图像的边缘，获取齿轮的图像，对齿轮的边缘图和原图进行配准操作进行预处理。
(3)图像分割模块图像处理是将图像分为具有特有性质的若干区域并提取出感兴趣目标的过程。
主要包括阈值分割、边缘分割、聚类法分割、小波变换的分割方法等。
定义一个相似性测度，寻求2幅图像间的几何变换关系，通过所得的几何变换，使其中一幅图像与另外一幅图像上的相似性测度达到最大。
(4)图像特征提取模块基于玻璃图像分割的结果，根据玻璃主要缺陷目标(气泡、裂纹)的二值图像和边缘图像，提取出用来描述玻璃外观质量缺陷的形状特征参数(面积和周长)，然后计算出玻璃缺陷的圆形度和伸长度这两个主要特征参数，组成特征矢量，对于不同形状的缺陷区域，这些特征参数各不相同。
